arXiv · 机器人与计算机视觉· Nimrod Shabtay, Asaf Yehudai, Avihu Dekel, Eli Schwartz, Raja Giryes·· 27 天前AI 评分73
Watch and Learn:通过移除文本捷径教授视觉上下文学习
Watch and Learn: Teaching Visual In-Context Learning by Removing Textual Shortcuts
AI 导读
Vision-language models (VLMs) 在视觉上下文学习(vICL)任务上表现不佳,主要依赖文本捷径而未能充分利用视觉演示。本文构建了无文本捷径的 vICL 训练集 MIME,并通过微调使三种 VLM 的 vICL 准确率提升 8.1 至 18.0 个百分点,同时保持单图性能并增强多图及纯文本上下文学习能力。
来源:arXiv · 机器人与计算机视觉 · arxiv.org